基于电子搜索算法的电力系统无功优化

针对电力系统无功优化过程中,粒子群算法收敛慢以及计算结果容易陷入局部最优的问题,文中利用电子搜索算法代替粒子群算法,以提高计算的收敛速度并使优化计算更容易得到最优解。以网损期望最小为目标,建立了考虑电容器无功补偿和电压器变比的配电网无功优化模型。利用IEEE14节点系统进行模拟计算,通过结果验证了电子搜索算法在无功优化中的效果。通过比较了粒子群算法和电子搜索算法的结果,证明了电子搜索算法在收敛速度以及优化效果上优于粒子群算法。     

基于蛇优化算法的电力系统无功优化

无功优化在电力系统中具有重要的意义,可以提高系统的功率因数,减少有功损耗并改善电压稳定性。蛇优化算法具有全局搜索能力和快速收敛的特点,故将该算法作为一种新的优化方法运用到无功优化中,建立以机端电压、变压器变比和无功补偿量为系统控制变量,以网络损耗最小为目标的无功优化模型。通过采用57节点系统,将蛇优化算法与粒子群算法、改进粒子群算法分别进行比较验证。实验结果表明,蛇优化算法能够有效地优化电力系统的无功功率,提高系统的性能和稳定性。     

三目标自适应变异微粒群算法的无功优化

电力系统无功优化是提高电能质量保证电网运行的重要环节,文中建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型,引入了自适应变异微粒群算法用于解决三目标电力系统无功优化问题。该算法利用群体的适应度方差来动态监控微粒群聚集的状况,采用增加随机扰动的方法对聚集的微粒进行变异,并对惯性权重进行自适应调整,使该算法既能跳出局部最优,防止早熟,又能提高收敛速度和精度。将该算法与其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。     

细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法（DEBFO）,并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。     

基于带权重粒子群的配网无功优化研究

为了更快速有效地处理电力系统配网无功优化问题,文中主要以网损和电压偏差最小以及电压稳定最大化为目标函数,以无功平衡、电压合格等为约束条件,建立了配电网无功优化的数学模型。在求解方法上采用带有权重的粒子群算法,该算法能够更好地适应问题的求解。并且经过IEEE14节点系统仿真计算结果表明,该算法在计算速度和收敛能力方面都具有优势,且优化效果也可满足实际的需要。     

多通道微信号数据采集与显示系统

概述了矿区电网的特点以及进行无功优化的必要性。综合系统电压的静态稳定性,建立了多目标无功优化数学模型针。针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,引入混沌粒子群优化算法。将该算法应用于矿区电网无功优化中,仿真结果验证了该算法的优越性。     

计及UPFC电力系统无功优化研究

为了更加有效地实现对电力系统潮流分布的控制,以进一步提高电力系统无功优化的有效性,达到使系统损耗最小的目的,提出了基于粒子群智能优化算法的计及UPFC的无功优化方法。以系统有功网损最小为目标函数,为了有效利用UPFC对潮流的调节作用,采用UPFC的节点注入功率模型。通过IEEE-30测试算例就系统有功网损和电压稳定性,对基于粒子群算法系统装设UPFC装置前后进行比较,发现采用文中方法后,不仅降低了系统的有功网损,提高了电压质量,而且与粒子群算法相比,还减少了算法的迭代次数,仿真结果验证了文中模型和算法的有效性和可行性。     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

基于机器学习算法的轧机轧制力预测

对轧机轧制力预测模型进行研究。由于常规LSSVM识别模型选取耗时长的网格搜索法进行参数确定,通常粒子群优化算法对LSSVM识别模型进行优化。由于种群中多样性加速下降,使得算法容易发生早熟收敛等问题,从而影响其全局寻优能力,因此使用种群活性粒子群优化算法对LSSVM参数进行优化,从而解决上述问题。通过实例分析可知,相比常规算法,改进PSO优化LSSVM算法建立的预测模型的预测精度和效率最高,具有较好的工程应用价值。     

一种求解矩形排样问题的遗传-离散粒子群优化算法

针对制造业领域的矩形优化排样问题,提出一种遗传-离散粒子群优化算法.引入交换子和交换序概念,解决了标准粒子群优化算法在求解组合优化问题时粒子的更新难以描述问题;融合遗传算法的交叉与变异思想,增强了粒子群的多样性和稳定性;同时采用改进的最低水平线搜索算法加快算法的收敛速度,并解码形成排样方案.通过实验数据对比,验证了该算法在求解矩形排样问题中的高效性和鲁棒性.     

基于三值多样性粒子群算法的MPRM电路综合优化

通过对离散三值粒子群算法的研究,提出一种三值多样性粒子群算法以求解MPRM（Mixed-Polarity Reed-Muller,MPRM）电路综合优化问题.首先根据混合极性XNOR/OR展开式的特点和几率换算法则,推导出三值粒子群算法的运动方程,在此基础上,采用广泛学习策略和三值变异操作进行算法改进;然后建立三值多样性粒子群算法的粒子与MPRM电路极性的参数映射关系,结合估计模型和XNOR/OR电路混合极性转换方法,将所提算法应用于MPRM电路的最佳功耗和面积极性搜索;最后对10个PLA格式MCNC Benchmark电路进行测试.结果表明：与已发表的方法相比,该文的优化算法表现出了总体显著性的性能优势.     

一种基于多样性信息和收敛度的多目标粒子群优化算法

为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicdMOPSO）.首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicdMOPSO应用于标准测试函数测试,实验结果表明,dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.     

基于环形结构带缓存器模型的并行微粒群算法

受并行遗传算法的启发，文章设计和实现了一种基于环形结构带缓存器模型的并行微粒群算法。它基于一种单向环结构的拓扑连接，可以保证优良粒子在子种群问的扩散，丰富种群的多样性。仿真实验的结果表明．该并行算法不仅有效地提高了求解效率，而且在一定程度上改善了早熟现象，算法的各项性能与微粒群算法相比有了很大提高。     

基于文化粒子群算法的广义OPM测向

在引入合成导向矢量和合成导向矩阵的基础上建立了一种更通用的阵列数据模型,提出了广义正交传播算子测向算法。该方法在不损失阵列孔径的前提下可有效估计相干信源和独立信源。为快速求解所提基于四阶累积量的广义OPM算法,在文化算法中使用和粒子群演进进化机制,提出了一种多维搜索的文化粒子群算法。Monte-Carlo仿真试验证明了所设计的测向算法可有效解决使用高阶累积量不能直接测相干信源的局限,所提算法在检测性能上与现有一些算法比较有较大的优势。     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。     

一种求解冰壶比赛对阵多约束问题的逐层优化算法

冰壶比赛对阵编排问题是一个难于收敛的多约束优化问题.为此提出一种求解此类问题的逐层优化的单亲遗传算法.首先将待求解问题的多个约束进行分层;其次设计了靶向自交叉算子进行第一层优化以提高搜索效率,设计了定点-随机自交叉算子进行第二层优化以保持种群的多样性;最后,将改进的算法用于解决冰壶比赛对阵编排的多约束优化问题,构建了该问题的适应度函数.仿真实验表明,与粒子群算法和经典遗传算法相比,所提算法能够有效求解冰壶比赛对阵编排的多约束优化问题.